Screening en identificatie van lever- en galaandoeningen via diep leren met behulp van oculaire beelden
16 augustus 2020 bijgewerkt door: Haotian Lin, Sun Yat-sen University
Kunstmatige intelligentie kan inzicht verschaffen in het onderzoeken van de mogelijke geheime associatie erachter en enkele vroege veranderingen in de oculaire architectuur onthullen bij personen met lever- en galaandoeningen.
We hebben pionierswerk verricht om de associatie tussen het oog en de lever te onderzoeken via deep learning, om verschillende deep learning-modellen te ontwikkelen en te evalueren om de lever- en galziekte te voorspellen door gebruik te maken van oculaire beelden.
Studie Overzicht
Toestand
Voltooid
Interventie / Behandeling
Studietype
Observationeel
Inschrijving (Werkelijk)
1789
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studie Locaties
-
-
Guangdong
-
Guangzhou, Guangdong, China, 510000
- Zhongshan Ophthalmic Center, Sun Yat-sen Univerisity
-
-
Deelname Criteria
Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- VOLWASSEN
- OUDER_ADULT
- KIND
Accepteert gezonde vrijwilligers
Ja
Geslachten die in aanmerking komen voor studie
Allemaal
Bemonsteringsmethode
Kanssteekproef
Studie Bevolking
Spleetlamp- en netvliesfundusbeelden verzameld van Department of Infectious Diseases, Third Affiliated Hospital van Sun Yat-sen University, Department of Infectious Diseases, Third Affiliated Hospital van Sun Yat-sen University, Affiliated Huadu Hospital van Southern Medical University, Nantian Medical Center van Aikang Health Care en Huanshidong Medical Center van Aikang Health Care.
Beschrijving
Inclusiecriteria:
- De kwaliteit van fundus- en spleetlampbeelden dient klinisch acceptabel te zijn.
- Meer dan 90% van het fundusbeeldgebied, inclusief vier hoofdregio's (optische schijf, macula, bovenste en onderste retinale vaatbogen), is gemakkelijk te lezen en te onderscheiden.
- Meer dan 90% van het spleetlampbeeldgebied, inclusief drie hoofdregio's (sclera, pupil en lens), is gemakkelijk te lezen en te onderscheiden.
Uitsluitingscriteria:
- Afbeeldingen met lichtlekkage (> 10% van het gebied), vlekken van lensflare of -vlekken en overbelichting werden uitgesloten van verdere analyse.
Studie plan
Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
ontwikkelingsdataset 01
Spleetlamp- en netvliesfundusbeelden verzameld van de afdeling Hepatobiliaire Chirurgie van het Third Affiliated Hospital van de Sun Yat-sen University.
|
De trainingsdataset werd gebruikt om het deep learning-model te trainen, dat werd gevalideerd en getest door de andere twee datasets.
|
|
ontwikkeldataset 02
Spleetlamp- en netvliesfundusbeelden verzameld van het aangesloten Huadu-ziekenhuis van de Southern Medical University.
|
De trainingsdataset werd gebruikt om het deep learning-model te trainen, dat werd gevalideerd en getest door de andere twee datasets.
|
|
ontwikkel dataset 03
Spleetlamp- en retinale fundusbeelden verzameld van Nantian Medical Center van Aikang Health Care.
|
De trainingsdataset werd gebruikt om het deep learning-model te trainen, dat werd gevalideerd en getest door de andere twee datasets.
|
|
testdataset 01
Spleetlamp- en netvliesfundusbeelden verzameld van de afdeling Infectieziekten, het derde aangesloten ziekenhuis van de Sun Yat-sen-universiteit.
|
De trainingsdataset werd gebruikt om het deep learning-model te trainen, dat werd gevalideerd en getest door de andere twee datasets.
|
|
testdataset 02
Spleetlamp- en netvliesfundusbeelden verzameld in het Huanshidong Medical Center van Aikang Health Care.
|
De trainingsdataset werd gebruikt om het deep learning-model te trainen, dat werd gevalideerd en getest door de andere twee datasets.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
gebied onder de receiver-operating-karakteristiek van het deep learning-systeem
Tijdsspanne: basislijn
|
De onderzoekers zullen het gebied onder de werkende karakteristieke curve van het deep learning-systeem van de ontvanger berekenen en deze index vergelijken tussen het deep learning-systeem en menselijke artsen
|
basislijn
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
sensitiviteit en specificiteit van het deep learning-systeem
Tijdsspanne: basislijn
|
De onderzoekers zullen de gevoeligheid en specificiteit van het deep learning-systeem berekenen en deze index vergelijken tussen het deep learning-systeem en menselijke artsen
|
basislijn
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Studie record data
Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.
Bestudeer belangrijke data
Studie start (WERKELIJK)
1 december 2018
Primaire voltooiing (WERKELIJK)
31 januari 2020
Studie voltooiing (WERKELIJK)
31 januari 2020
Studieregistratiedata
Eerst ingediend
25 december 2019
Eerst ingediend dat voldeed aan de QC-criteria
25 december 2019
Eerst geplaatst (WERKELIJK)
30 december 2019
Updates van studierecords
Laatste update geplaatst (WERKELIJK)
18 augustus 2020
Laatste update ingediend die voldeed aan QC-criteria
16 augustus 2020
Laatst geverifieerd
1 augustus 2020
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- AEHD-2019
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
NEE
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Nee
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Nee
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .